Banco de Dados. Sistemas de DW. (Data Warehouse) Valéria Cesário Times. CIn/UFPE - DW Valéria Times 1/188

Tamanho: px
Começar a partir da página:

Download "Banco de Dados. Sistemas de DW. (Data Warehouse) Valéria Cesário Times. vct@cin.ufpe.br. CIn/UFPE - DW Valéria Times 1/188"

Transcrição

1 Banco de Dados Sistemas de DW (Data Warehouse) Valéria Cesário Times 1/188

2 Introdução Tópicos Hierarquia da Informação Sistemas de Suporte à Decisão Evolução de Sistemas de DW Comparativo entre SSD e SSO Conceitos Básicos Banco de Dados Multidimensional Data Warehouse (DW) Data Mart (DM) ETL e ODS 2/188

3 Tópicos Conceitos Básicos (Cont.) Data Warehousing(DWing) OLAP Modelos Dimensionais Estrela Flocos de neve Modelagem Dimensional Arquitetura de DW Processamento OLAP x OLTP 3/188

4 Tópicos Cubo Multidimensional Definição Principais Operações Arquiteturas OLAP ROLAP MOLAP HOLAP Exemplos de Relatórios OLAP Bibliografia 4/188

5 Hierarquia da Informação Sofisticação do Usuário SSD OLAP Consulta ad hoc Relatório Operacional Que outras coisas podiam ser importantes? O que é provável acontecer amanhã? Por que isto aconteceu hoje? O que aconteceu hoje? Dados 5/188

6 Sistemas de Suporte à Decisão O que são Sistemas de Suporte a Decisão(SSD)? Permitem armazenar e analisar grandes BD para extrair informações que auxiliam a compreensão do comportamento dos dados sobre o negócio Exemplo: Sistemas de Data Warehouse (SDW) Fornecem apoio ao suporte estratégico de decisão Vantagem competitiva e aumento da produtividade na tomada de decisão Consistem em sistemas computacionais de suporte à decisão que integram dados oriundos de diversas fontes de dados São usados por gerentes de negócio e gestores 6/188

7 Evolução de Sistemas de DW Por quê surgiram Sistemas de DW? Necessidade de gerenciamento das atividades de negócio das organizações Organizações acumularam uma grande quantidade de dados ao longo do tempo Necessidade de se fazer o cruzamento dos dados Organizações sentiram a necessidade de avaliar tendências e o comportamento dos dados Necessidade de manter não apenas dados atuais, mas também dados históricos Necessidade de uma ferramenta de BD para SD 7/188

8 Comparativo entre SDW e SSO SDW diferem de SSO (ou transacional) Operacional orientado por transação Ex: o produto vendido, o artigo publicado, o imposto predial pago Muitas das consultas feitas são previstas a priori Decisão orientado por assunto Ex: Vendas, Publicações de Artigos, Gerenciamento Urbano Consultas mudam continuamente Dividir os dados em dois ambientes ortogonais Operacional (normalmente já existente) Estratégico (construir um DW) 8/188

9 Comparativo entre SDW e SSO Transacional Data Warehousing Frequência de atualização Tempo real Periodicamente Estruturado para Integridade de dados Facilidade de consulta Otimizado para Processamento de transações Perfomance de consultas 9/188

10 Comparativo entre SDW e SSO Transacional Data Warehousing Frequência de atualização Tempo real Periodicamente Estruturado para Integridade de dados Facilidade de consulta Otimizado para Processamento de transações Perfomance de consultas 10/188

11 Comparativo entre SDW e SSO Transacional Data Warehousing Frequência de atualização Tempo real Periodicamente Estruturado para Integridade de dados Facilidade de consulta Otimizado para Processamento de transações Perfomance de consultas 11/188

12 Comparativo entre SDW e SSO Transacional Data Warehousing Frequência de atualização Tempo real Periodicamente Estruturado para Integridade de dados Facilidade de consulta Otimizado para Processamento de transações Perfomance de consultas 12/188

13 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 13/188

14 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 14/188

15 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 15/188

16 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 16/188

17 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 17/188

18 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 18/188

19 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 19/188

20 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 20/188

21 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 21/188

22 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 22/188

23 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 23/188

24 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 24/188

25 Comparativo entre SDW e SSO Diferenças entre os ambientes Características Operacional Estratégico Objetivo Op. diárias do negócio Análise do negócio Visão dos dados Relacional ou Obj-Rel. Dimensional Op. com os dados Incl., Alt, Excl e Cons. Carga e Consulta Atualização Contínua (tempo real) Temporal (lote) N o de usuários Milhares Dezenas Tipo de usuário Operacional Gerencial Interação c/ usuário Pré-definida(predom.) Pré-definida e ad-hoc Granularidade dados Detalhados Detalhados e Resumos Redundância dados Ocorrência minimizada Ocorrência maximizada Volume dos dados Megabytes-Gigabytes Gigabytes-Terabytes Histórico dos dados Até a última atualização 5 a 10 anos Acesso a registro Dezenas Milhares 25/188

26 Conceitos Básicos Conceitos e Terminologia de SDW O que é Banco de Dados Multidimensional? O que é Data Warehouse (DW)? O que é Data Mart (DM)? O que são ETL e ODS? O que é Data Warehousing(DWing)? O que são Sistemas de DW e OLAP? 26/188

27 Conceitos Básicos Conceitos e Terminologia de SDW O que é Banco de Dados Multidimensional? O que é Data Warehouse (DW)? O que é Data Mart (DM)? O que são ETL e ODS? O que é Data Warehousing(DWing)? O que são Sistemas de DW e OLAP? 27/188

28 Banco de Dados MD B a n c o d e D a d o s M u lt id im e n sio n a l P e ns e (c o nc e itu a lm e n te ) e m um B a nc o d e D a d os M u ltid im e ns ion a l (B D M D ) c o m o u m A R R A Y g ig a nt e s c o B D M D (i,j,l,m,n,o,p,r,s,t,..., ) T a m a n ho M á x im o do B D M D = i m a x * j m a x * k ma x * l ma x *... 28/188

29 Banco de Dados MD BIDIMENSIONAL Leste Oeste Sul Produto Produto Produto Produto /188

30 Conceitos Básicos Conceitos e Terminologia de SDW O que é Banco de Dados Multidimensional? O que é Data Warehouse (DW)? O que é Data Mart (DM)? O que são ETL e ODS? O que é Data Warehousing(DWing)? O que são Sistemas de DW e OLAP? 30/188

31 Data Warehouse Coleção de dados orientada a assunto, integrada, não-volátil e variante no tempo, utilizada para tomada de decisões. - W. H. Inmon "a copy of transaction data specifically structured for query and analysis" R. Kimball 31/188

32 Data Warehouse Repositório estruturado e corporativo de dados orientados a assunto, variantes no tempo e históricos, usados para recuperação de informações e suporte à decisão. O DW armazena dados atômicos e sumarizados. - Definição de DW da Oracle 32/188

33 Data Warehouse - Definição O que é um DW? DW é uma base de dados que facilita a execução de consultas de apoio à decisão Propriedades de um DW Orientado a Assunto Integrado Data Warehouse Nãovolátil Variante no Tempo 33/188

34 Data Warehouse Alterando Dados em um DW Bancos de Dados Operacionais Banco de Data Warehouse Primeira Carga Segunda Carga Terceira Carga N-ésima Carga Eliminar ou Arquivar 34/188

35 Data Warehouse Características dos dados de um DW Consolidado Característica Descrição Centralizado em toda a empresa Consistente Dentro do data warehouse Orientado ao assunto Organizado à perspectiva do usuário Histórico Snapshots no tempo Somente-leitura Não pode atualizar Resumido Ao nível apropriado de detalhe 35/188

36 Data Warehouse Características dos dados de um DW Consolidado Característica Descrição Centralizado em toda a empresa Consistente Dentro do data warehouse Orientado ao assunto Organizado à perspectiva do usuário Histórico Snapshots no tempo Somente-leitura Não pode atualizar Resumido Ao nível apropriado de detalhe 36/188

37 Data Warehouse Características dos dados de um DW Consolidado Característica Descrição Centralizado em toda a empresa Consistente Dentro do data warehouse Orientado ao assunto Organizado à perspectiva do usuário Histórico Snapshots no tempo Somente-leitura Não pode atualizar Resumido Ao nível apropriado de detalhe 37/188

38 Data Warehouse Características dos dados de um DW Consolidado Característica Descrição Centralizado em toda a empresa Consistente Dentro do data warehouse Orientado ao assunto Organizado à perspectiva do usuário Histórico Snapshots no tempo Somente-leitura Não pode atualizar Resumido Ao nível apropriado de detalhe 38/188

39 Data Warehouse Características dos dados de um DW Consolidado Característica Descrição Centralizado em toda a empresa Consistente Dentro do data warehouse Orientado ao assunto Organizado à perspectiva do usuário Histórico Snapshots no tempo Somente-leitura Não pode atualizar Resumido Ao nível apropriado de detalhe 39/188

40 Data Warehouse Características dos dados de um DW Consolidado Característica Descrição Centralizado em toda a empresa Consistente Dentro do data warehouse Orientado ao assunto Organizado à perspectiva do usuário Histórico Snapshots no tempo Somente-leitura Não pode atualizar Resumido Ao nível apropriado de detalhe 40/188

41 Data Warehouse Características dos dados de um DW Consolidado Característica Descrição Centralizado em toda a empresa Consistente Dentro do data warehouse Orientado ao assunto Organizado à perspectiva do usuário Histórico Snapshots no tempo Somente-leitura Não pode atualizar Resumido Ao nível apropriado de detalhe 41/188

42 Conceitos Básicos Conceitos e Terminologia de SDW O que é Banco de Dados Multidimensional? O que é Data Warehouse (DW)? O que é Data Mart (DM)? O que são ETL e ODS? O que é Data Warehousing(DWing)? O que são Sistemas de DW e OLAP? 42/188

43 Definição Data Mart DM é um subconjunto de um DW Subconjunto do DW que satisfaz os requisitos de um certo tema ou atividade de negócio Projetado para um dado grupo de usuários Específico a um assunto particular ou atividade de negócio Pode ser visto como uma solução tática Pode ser construído antes ou depois do DW Antes pode representar fragmentos de dados, mas reduz a complexidade de desenvolvimento Depois produz uma visão integrada dos dados, mas aumenta a complexidade de desenvolvimento Abordagem atual consiste em construir primeiro os DM, mas garantindo a consistência dos dados! 43/188

44 Data Mart Movendo dados de um DW para DM Fonte 1 Fonte 2 Fonte 3 Data Warehouse Mart Vendas Mart Finanças Mart Suporte a clientes Vantagens Campos compartilhados Fonte comum Processamento distribuído Desvantagens Tempo mais longo de desenvolvimento Mais complexo, custoso e demorado 44/188

45 Data Mart Movendo dados de DM para um DW Fonte 1 Fonte 2 Fonte 3 Mart Vendas Mart Finanças Mart Suporte a clientes Data Warehouse Vantagens Mais simples e rápido Dados específicos de cada departamento Menos custoso Desvantagens Duplicação de dados Data Marts incompatíveis 45/188

46 Data Mart Benefícios Tempo e dificuldade de implantação minimizados São mais facilmente entendidos Consultas mais rápidas e com menor número de usuários Restrição Requer planejamento prévio para evitar ilhas de dados (DM independentes) Garantir a consistência dos dados Geração de DM integrados Atualização Carga incorreta de DM deve ser corrigida Mudanças podem gerar necessidade de atualização de DM 46/188

47 Data Mart Razões Adicionais para Criação de DM Permitir aos usuários, acesso aos dados que eles analisam mais frequentemente Permitir o uso de dados em um formato que se assemelha com a visão coletiva de um grupo de usuários Aumentar o tempo de resposta pela redução do volume de dados acessados DM são mais facilmente extraídos, transformados, carregados e integrados Implementação de DM é mais simples do que de um DW inteiro Custo de implementação de DM é também menor Potenciais usuários de DM são mais facilmente identificados em uma dada empresa Facilita o levantamento de requisitos das atividades de negócio 47/188

48 Data Mart Comparativo entre DW e DM Propriedade Data Warehouse Data Mart Escopo Empresa Departamento Assuntos Vários Um único assunto Fonte de Dados Várias Poucas Tempo de Implementação Meses a anos Meses 48/188

49 Conceitos Básicos Conceitos e Terminologia de SDW O que é Banco de Dados Multidimensional? O que é Data Warehouse (DW)? O que é Data Mart (DM)? O que são ETL e ODS? O que é Data Warehousing(DWing)? O que são Sistemas de DW e OLAP? 49/188

50 ETL e ODS Ferramentas de ETL Responsáveis pela conversão dos dados do ambiente operacional para o de suporte à decisão Realizam Acesso, Extração, Transformação, Validação e Carga dos dados Operational Datastore (ODS) Repositório de dados operacionais integrados Benefícios Otimiza a criação do DW Possibilita a realização de consultas relacionais sobre dados históricos Permite interações de tempo real (e.g. gerenciamento de relacionamentos de cliente) 50/188

51 ETL e ODS Abordagem Top-Down Visão DW corporativo (DW DM) Grande abrangência Mais Complexo, Custoso e Demorado Alta probabilidade de insucesso Só pode ser avaliado quando terminado Data Warehousing Top-Down BD Op. BD Op. BD Op. BD Op. ETL Extract Transform Load ODS Operational Data Store DW DM DM DM Metadados produzidos em todas as etapas OLAP Data Mining Relatórios 51/188

52 ETL e ODS Abordagem Botton-Up Visão DW departamental (DM DW) Foco específico nos aspectos mais críticos Menos Complexo, Custoso, Demorado Probabilidade de ilhas de dados Pode acontecer dos DM não se integrarem Data Warehousing Botton-Up BD Op. BD Op. BD Op. BD Op. ETL Extract Transform Load ODS Operational Data Store DM DM DM DW Metadados produzidos em todas as etapas OLAP Data Mining Relatórios 52/188

53 Conceitos Básicos Conceitos e Terminologia de SDW O que é Banco de Dados Multidimensional? O que é Data Warehouse (DW)? O que é Data Mart (DM)? O que são ETL e ODS? O que é Data Warehousing(DWing)? O que são Sistemas de DW e OLAP? 53/188

54 Data Warehousing (DWing) 54/188

55 Data Warehousing Definição Processo de construção do DW = base de dados dimensional Sistemas Operacionais Extração Extração Extração Área ETL Serviços: Limpa, Combina e Padroniza Não possui serviços de consulta de usuário Saída: tabelas relacionais e arquivos Carga Carga Área de Apresentação Data Mart # 1 Baseado em um único processo de negócio DW Bus: Fatos e Dimensões padronizadas Data Mart # 2... Acesso Ferramentas de Acesso aos Dados Acesso Ferramentas de Consulta Ad hoc Aplicações Analíticas Mineração de dados Gerador de Relatórios 55/188

56 Conceitos Básicos Conceitos e Terminologia de SDW O que é Banco de Dados Multidimensional? O que é Data Warehouse (DW)? O que é Data Mart (DM)? O que é ETL e ODS? O que é Data Warehousing(DWing)? O que é Sistemas de DW e OLAP? 56/188

57 Sistemas de DW Provêem diferentes níveis de análise São chamados de sistemas analíticos Permitem que usuários naveguem nos diferentes níveis de detalhes sobre os dados Dados são organizados por meio de modelos dimensionais Resultados de consultas são interpretados em uma variedade de visões multidimensionais Consultas são providas pelas ferramentas OLAP (On- Line Analytical Processing) 57/188

58 Sistemas de DW Relatório mensal de vendas do nordeste Maio/1999 Estado Cidade Un. Vendidas Vendas $ PE Olinda $ E X E M P L O PE PE Totais CE CE CE Totais AL AL Totais Recife Fortaleza Crato Maceió $ $ $ $ $ $ $ Região Nordeste Total $ /188

59 Sistemas de DW Principais objetivos dos SDW Tornar a informação da organização facilmente acessível Exibir a informação de forma consistente Ser adaptativo e acomodar facilmente mudanças Servir de base para a tomada de decisão Satisfazer as necessidades de análise dos usuários Garantir a segurança das informações mantidas no DW 59/188

60 Sistemas de DW Responsabilidades do administrador do SDW Identificar que decisões seus usuários desejam tomar Escolher o subconjunto de dados a ser mantido pelo DM Monitorar a precisão dos dados e dos relatórios gerados Garantir a confiabilidade dos dados, rotulando-o com consistência Garantir interfaces e aplicações sejam simples de usar 60/188

61 Modelos Dimensionais Objetivos da Modelagem Dimensional Fornecer uma imagem global da realidade do negócio Exibir informações em níveis apropriados de detalhes (resumido ou detalhado) Otimizar o processamento de consultas complexas (Modelo Estrela ou Flocos de Neve) Integrar dados de diversas fontes em uma única BD para facilitar a geração de relatórios 61/188

62 Modelos Dimensionais Modelo Relacional Usado para identificar relacionamentos entre tipos de relações Visa remover a redundância de dados Processamento de Transações On-Line (OLTP) Modelo Dimensional Apresenta dados em uma estrutura intuitiva permitindo alta performance de acesso Independe da representação física dos dados Organiza dados em tabelas de fatos e dimensões Processamento Analítico On-Line (OLAP) 62/188

63 Modelos Dimensionais Comparando Modelos de Dados Operacional: OLTP Entidades normalizadas Segue terceira forma normal ou maior Produz um design complexo de BD Armazena dados no nível transacional mais baixo Aumenta o nível de JOIN de tabelas em consultas Estrutura tipicamente estática Analítico: Data Warehouse Entidades desnormalizadas Produz um único design de BD mais facilmente compreensível pelos usuários Armazena dados Nível de transação Nível de sumário Diminui o número de JOIN de tabelas em consultas Estrutura dinâmica 63/188

64 Modelos Dimensionais Componentes do Modelo Dimensional Tabelas de Dimensão Loja Produto Dimensão Tabela Fatos Medidas Loja Produto Tempo Und. Valor ( $ ) Fatos Tempo 64/188

65 Modelos Dimensionais Tabela de Fatos Principal tabela do modelo dimensional na qual medidas numéricas sobre o desempenho da atividade de negócio são mantidas Maioria dos fatos são numéricos e aditivos Existem fatos semi-aditivos que podem ser adicionados por meio de algumas dimensões apenas Existem fatos não aditivos que não podem ser adicionados Sumarização é obtida por contagem ou cálculo da média Exemplos incluem proporções e taxas Fato representa uma medida de negócio Uma linha da tabela de fato corresponde ao valor de uma medida 65/188

66 Modelos Dimensionais Tabela de Fatos Todas as medidas da tabela de fatos devem ter a mesma granularidade Fatos possuem variação contínua Na teoria, um fato pode ser textual Uma medida textual é uma descrição de algo, i.e. temperatura É obtida de uma lista discreta de valores Por exemplo: 20 40C (quente) Pode conter fatos pré-calculados que melhoram o desempenho mas aumentam o tamanho da tabela 66/188

67 Modelos Dimensionais Tabela de Fatos Exemplo Sua PK é formada por um subconjunto das FK Vendas Diárias Data (FK) Produto (FK) Loja (FK) Quantidade Vendida Valor da Venda Todas as chaves apontam para PK das dimensões correspondentes Se não existirem vendas em um dado dia, em uma dada loja e para um dado produto? 67/188

68 Modelos Dimensionais Tabela de Fatos Tabela central com grande volume de dados Armazena as medidas numéricas do negócio e chaves das dimensões (ID das dimensões) Cada fato é a interseção entre todas dimensões Idealmente medidas são numéricas e aditivas Vendas(R$), Valor_unitário(R$), Despesas(R$), QtdVendida Exemplo de medida não numérica: Temperatura Possui uma grande quantidade de linhas mas pouca quantidade de colunas Existem três tipos: transacional, periódica e acumulativa 68/177

69 Modelos Dimensionais Tabela de Fatos Tabelas de fatos são esparsas e únicas por esquema Requer determinação do nível de detalhe Expressam relacionamentos N:M entre dimensões Quando um dado numérico é Medida ou Atributo? Medida varia continuamente a cada amostragem Quantidade vendida de um produto Atributo praticamente constante Peso de um produto 69/188

70 Modelos Dimensionais Tabelas de Dimensões Exemplo Dimensão Produto Produto (PK) Descrição Código (Natural Key) Marca Categoria Departamento Tipo da Embalagem Tamanho da Embalagem Peso... Possui PK para garantir integridade referencial com qualquer tabela de fato Embora tamanho e peso sejam numéricos, eles são atributos descritivos (não são medidas!) Eles são descritores constantes e discretos de um dado produto 70/188

71 Modelos Dimensionais Tabelas de Dimensões Tabelas periféricas com pouco volume de dados Armazenam as descrições do negócio São usadas como filtros, agrupamentos e rótulos Não devem ser abreviadas para aumentar legibilidade Possuem poucas linhas mas muitos atributos São normalmente desnormalizadas (esquema estrela) Atributos organizados em hierarquias Produto (Categoria Marca Descrição) Loja (Tipo Endereço Nome_Loja) Tempo (Ano Mês Dia_Do_Mês) Podem ser compartilhadas ou privadas 71/188

72 Modelos Dimensionais Dimensões Compartilhadas Dimensão 1 Dimensão 3 Dimensão 5 Fatos Fatos Dimensão 2 Dimensão 4 Dimensão 6 72/188

73 Modelos Dimensionais Fatos Fatos Dimensão 1 Dimensão 5 Fatos Fatos Dimensão 2 Dimensão 6 73/188

74 Modelos Dimensionais Tabelas de Dimensões Geralmente representam relacionamentos hierárquicos (1:N) entre seus atributos Informação descritiva hierárquica é armazenada redundantemente Por exemplo, para cada linha da dimensão produto, as descrições de marca e categoria são repetidas para cada uma de suas subcategorias Elas são pequenas e representam menos de 10% do custo total de armazenamento do BD dimensional Desnormalização favorece o desempenho de consultas e facilita o uso do sistema Dimensões Desnormalizadas modelo estrela Dimensões Normalizadas modelo snowflake 74/188

75 Modelos Dimensionais Tabelas de Dimensões Códigos operacionais são quebrados em atributos separados das tabelas de dimensões Permite que eles possam ser diretamente filtrados, agrupados e usados em relatórios facilmente Data Data_Ch (PK) Atributos... Loja Loja_Ch (PK) Atributos... Vendas Data (FK) Produto (FK) Loja (FK) Medidas... Produto Produto_Ch (PK) Atributos... 75/188

76 Modelos Dimensionais Comparativo entre Tabela de Fatos e de Dimensão Fatos Atributos quantitativos sobre o desempenho do negócio em um determinado ramo Exemplo: sobre o fato vendas, a quantidade vendida, o preço da venda, a margem de lucro, etc Dimensões Atributos qualitativos sobre os ramos do negócio envolvidos na medida de desempenho de um determinado fato Exemplo: sobre a dimensão produto, a descrição, o código, o preço, etc 76/188

77 Modelos Dimensionais Identificadores Artificiais Cada dimensão deve possuir um número inteiro como identificador Facilita as operações de junção-estrela Códigos de ambientes operacionais mudam com o tempo Códigos de produtos obsoletos Números de contas inativas Permite diferenciar instâncias de um mesmo elemento do ambiente operacional Permite representar situações inexistentes no ambiente operacional (data a ser definida ou n/a, sem promoção) Identificadores compostos não devem ser usados 77/188

78 Modelos Dimensionais Outro Exemplo de Esquema Estrela (Star Schema) Dim_Funcionario Chave_Funcionario Codigo_Funcionario. Tabela de Dimensão Dim_Tempo Chave_Tempo Data. Dim_Entregador Chave_Entreegador Codigo_Entregador. Tabela Fato Fato_Vendas Chave_Tempo Chave_Funcionario Chave_Produto Chave_Cliente Chave_Entregador Qtd-Prod Valor-Total.. Dim_Produto Chave_Produto Codigo_Produto. Dim_Cliente Chave_Cliente Codigo_Cliente. 78/188

79 Modelos Dimensionais Exemplo de Esquema Flocos de Neve (Snowflake Schema) Fato_Vendas Chave_Tempo Chave_Funcionario Chave_Produto Chave_Cliente Chave_Entregador RequiredDate Dimensões são normalizadas Ganho de espaço de armazenamento é pouco relevante Estrutura complexa Custo de junções. Tabela-Dimensão Principal Dim_Produto Chave_Produto Nome Tamanho CodigoMarca MarcaProduto CodigoMarca CodigoCategoria Tabelas-Dimensão Secundárias Categoria CodigoCategoria Nome 79/188

80 Modelos Dimensionais Comparação entre Modelos de Dados Dimensionais Star Snowflake Clareza + fácil + difícil Número de tabelas < > Complexidade de consultas + simples + complexo Performance de consulta + rápido + lento Economia de espaço de disco obtida pelo Snowflake é geralmente menos de 1% do espaço de disco total para manter o BD multidimensional! 80/188

81 Modelagem Dimensional Construção do Modelo Dimensional Análise dos dados do ambiente operacional Levantamento de requisitos das atividades de negócio dos usuários do DM A partir do esquema relacional, vários modelos dimensionais podem ser gerados Identificar as atividades de negócio e modelá-las separadamente Relacionamentos N:M com propriedades numéricas e aditivas são mapeados em tabelas fato Desnormalizar todas as tabelas restantes e mapeá-las em tabelas de dimensão 81/188

82 Modelagem Dimensional Escolhendo a granularidade Determinar requisitos dos dados Escolher o nível mais baixo de detalhe Requer espaço em disco Envolve maior tempo de processamento Permite capacidade de análise de dados detalhada Adaptar medidas à granuralidade estabelecida Considerações de projeto de medidas Usar medidas aditivas e numéricas 82/188

83 Modelagem Dimensional Definindo características das dimensões Aplicando características a tabelas de dimensão Definir PRIMARY KEY Incluir colunas altamente correlacionadas e descritivas Projetando para Usabilidade e Extensibilidade Minimizar ou evitar uso de códigos e abreviações Criar colunas úteis para níveis de agregação Evitar valores nulos ou inexistentes Minimizar o número de registros que mudam ao longo do tempo 83/188

84 Modelagem Dimensional Identificando hierarquias nas dimensões Hierarquia Consolidada Hierarquia em Separado Local da Loja Continente País Região Cidade Loja Lozal da Loja Continente Continente País País Região Região Cidade Cidade Loja Loja 01 84/188

85 Modelagem Dimensional Aluguel Inquilino Imovel_ paraalugar Manutencao Jornal Imobiliaria Funcionario Proprietario Divulgacao Comprador Imovel_ avenda Visitas Promocao Venda 85/188

86 Modelagem Dimensional Aluguel Inquilino Imovel_ paraalugar Manutencao Jornal Imobiliaria Funcionario Proprietario Divulgacao Comprador Imovel_ avenda Visitas Promocao Venda 86/188

87 Modelagem Dimensional Entidades da atividade de negócio Vendas de Imóvel Imobiliaria Funcionario Proprietario Comprador Imovel_ avenda Promocao Venda Escolher a granularidade Vendas de Imóveis Individuais Escolher as dimensões Entidades restantes + dimensão temporal 87/188

88 Modelagem Dimensional Identificando e padronizando dimensões Dimensões definem o contexto das consultas sobre os fatos analisados O projeto bem elaborado de um conjunto de dimensões facilita o entendimento e uso do DM Um conjunto incompleto de dimensões limita o universo de análises que podem ser feitas Se duas dimensões existem em dois DM, então: Elas devem ser exatamente as mesmas dimensões ou Uma deve ser um subconjunto da outra Dois DM podem compartilhar 2 ou mais dimensões em uma mesma aplicação. 88/188

89 Modelagem Dimensional Comprador CompraID (PK)... Funcionario FuncioID (PK)... Propietario ProprietID (PK)... Vendas Imóvel DataID (FK) ImovelID (FK) ImobiliaID (FK) CompraID (FK) Promo(FK) FuncioID (FK) ProprietID(FK) Preço PreçoVenda Comissao Lucro Data DataID (PK)... ImovelVenda ImovelID (PK)... Imobiliaria ImobiliaID (PK)... Promocao Divulgação DataID (FK) ImovelID (FK) ImobiliaID (FK) Promo(FK) JornalID (FK) Custo Jornal JornalID (PK)... PromoID (PK)... 89/188

90 Modelagem Dimensional Esquema estrela da atividade Aluguel de Imóvel Inquilino InquiliID (PK)... Funcionario FuncioID (PK)... Propietario ProprietID (PK)... Promocao PromoID (PK)... Aluguel Imóvel DataID (FK) ImovelID (FK) ImobiliaID (FK) InquiliID (FK) PromoName(FK) FuncioName(FK) ProprietID(FK) AluguelMensal TempoAluguel TotalAluguel Comissao Lucro LucroAnoPassado Data DataID (PK) Dia Semana Mês Ano ImovelAluga ImovelID (PK)... Imobiliaria ImobiliaID (PK)... 90/188

91 Modelagem Dimensional Esquema estrela da atividade Aluguel de Imóvel Aluguel Imóvel DataID (FK) ImovelID (FK) ImobiliaID (FK) InquiliID (FK) PromoName(FK) FuncioName(FK) ProprietID(FK) AluguelMensal TempoAluguel TotalAluguel Comissao Lucro LucroAnoPassado 91/188

92 Modelagem Dimensional Esquema estrela da atividade Aluguel de Imóvel Aluguel Imóvel DataID (FK) ImovelID (FK) ImobiliaID (FK) InquiliID (FK) PromoName(FK) FuncioName(FK) ProprietID(FK) AluguelMensal TempoAluguel TotalAluguel Comissao Lucro LucroAnoPassado 92/188

93 Modelagem Dimensional Esquema estrela da atividade Aluguel de Imóvel Aluguel Imóvel DataID (FK) ImovelID (FK) ImobiliaID (FK) InquiliID (FK) PromoName(FK) FuncioName(FK) ProprietID(FK) AluguelMensal TempoAluguel TotalAluguel Comissao Lucro LucroAnoPassado 93/188

94 Modelagem Dimensional Esquema estrela da atividade Aluguel de Imóvel Aluguel Imóvel DataID (FK) ImovelID (FK) ImobiliaID (FK) InquiliID (FK) PromoName(FK) FuncioName(FK) ProprietID(FK) AluguelMensal TempoAluguel TotalAluguel Comissao Lucro LucroAnoPassado 94/188

95 Medidas Não Aditivas (Kimball): Dependendo do contexto da aplicação e das necessidades do usuário Modelagem Dimensional A soma das medidas pode fazer menos sentido do que a aplicação de uma outra função de agregação Média Mínimo ou Máximo Desvio Padrão Exemplos Temperatura Preços Unitários Taxas 95/188

96 Modelagem Dimensional Medidas Não Aditivas (Kimball): Temperatura» Não faz sentido dizer que a temperatura de 2008 foi 200 graus» Faz sentido obter a temperatura média do ano Preço Unitário Preço de Venda do Milho R$ Janeiro 10,00 Fevereiro 11,00 Março 12,00 Abril 10,00 Maio 8,00 Junho 7,00 Não faz sentido dizer que o preço de venda da mão de milho no primeiro semestre foi R$ 58,00 96/188

97 Modelagem Dimensional Medidas Não Aditivas (Kimball): Temperatura» Não faz sentido dizer que a temperatura de 2008 foi 200 graus» Faz sentido obter a temperatura média do ano Preço Unitário Preço de Venda do Milho R$ Janeiro 10,00 Fevereiro 11,00 Março 12,00 Abril 10,00 Maio 8,00 Junho 7,00 Mas faz sentido: Preço médio do semestre = R$ 9,66 ou Preço mínimo = R$ 7,00 97/188

98 Modelagem Dimensional Metodologia de Projeto de BD Dimensional (Kimball): 1. Selecione a atividade de negócio a ser modelada a) Não se refere a uma função ou departamento da organização b) Vários fluxos de dados direcionados para modelos de dados separados geram inconsistências c) Primeiro modelo dimensional deve ser o mais simples 2. Defina a granularidade da atividade de negócio a) Definir exatamente o que uma linha da tabela de fatos representa. b) Modelos dimensionais devem representar informação atômica 3. Escolha as dimensões que se aplicam a cada linha da tabela de fatos 4. Identifique os fatos numéricos que popularão cada linha da tabela de fatos 98/188

99 DW sempre têm uma dimensão temporal Existem várias funcionalidades de cálculo de datas não previstas por SQL Modelagem Dimensional Períodos fiscais Estações do ano Feriados Finais de semana Eventos especiais Carnaval Páscoa São João Natal Dimensão Data DataKey (PK) Data Dia da Semana IndicadorUltimoDiaSemana IndicadorUltimoDiaMes Mês Ano SemanaFiscal NumSemanaFiscalAno MesFiscal NumMesFiscalAno TrimestreFiscal AnoFiscal IndicadorFeriado IndicadorFinalSemana 99/188

100 Modelagem Dimensional Exemplo de uma Tabela de Dimensão Temporal Key Data Descrição Dia da Semana Mes Ano Ano Fiscal Feriado Dia da Semana 1 1/1/02 1 de Jan/02 Terça Jan 2002 F02/01 Feriado Semana 2 2/1/02 2 de Jan/02 Quarta Jan 2002 F02/01 Não Semana 3 3/1/02 3 de Jan/02 Quinta Jan 2002 F02/01 Não Semana 4 4/1/02 4 de Jan/02 Sexta Jan 2002 F02/01 Não Semana 5 5/1/02 5 de Jan/02 Sábado Jan 2002 F02/01 Não Final 6 6/1/02 6 de Jan/02 Domingo Jan 2002 F02/01 Não Final 7 7/1/02 7 de Jan/02 Segunda Jan 2002 F02/01 Não Semana 8 8/1/02 8 de Jan/02 Terça Jan 2002 F02/01 Não Semana 100/188

101 Modelagem Dimensional Exemplo de uma Tabela de Dimensão Temporal Key Data Descrição Dia da Semana Mes Ano Ano Fiscal Feriado Dia da Semana 1 1/1/02 1 de Jan/02 Terça Jan 2002 F02/01 Feriado Semana 2 2/1/02 2 de Jan/02 Quarta Jan 2002 F02/01 Não Semana 3 3/1/02 3 de Jan/02 Quinta Jan 2002 F02/01 Não Semana 4 4/1/02 4 de Jan/02 Sexta Jan 2002 F02/01 Não Semana 5 5/1/02 5 de Jan/02 Sábado Jan 2002 F02/01 Não Final 6 6/1/02 6 de Jan/02 Domingo Jan 2002 F02/01 Não Final 7 7/1/02 7 de Jan/02 Segunda Jan 2002 F02/01 Não Semana 8 8/1/02 8 de Jan/02 Terça Jan 2002 F02/01 Não Semana 101/188

102 Modelagem Dimensional Dimensão Causal Descreve fatos que causam mudanças em outros fatos Dimensão Promoção PromocaoID (PK) NomePromocao TipoReducaoPreço TipoPropaganda TipoDisplay TipoCupom Custo DataInicial DataFinal Valores de chave nulos não são usados na tabela de fatos! Uma tupla na dimensão deve indicar que ela não é aplicável a uma dada medida. Como existem 4 tipos distintos de promoção, então seria melhor ter 4 dimensões distintas? 102/188

103 Modelagem Dimensional Dimensão Causal Vantagens do uso de uma única dimensão Tamanho da dimensão unificada não é muito maior do que cada uma das visões separadas Dimensão unificada facilita a busca sobre os vários tipos de causas Informação sobre quais dados foram afetados pelos vários tipos de causa não é obtida Vantagens do uso de várias dimensões Se usuários pensam sobre as causas separadamente, a visão separada pode ter maior legibilidade Administração de visões separadas pode ser facilitada 103/188

104 Modelagem Dimensional Esquema estrela da atividade Vendas Produto ProdutoID (PK) Atributos... Promoçao PromoID (PK) Atributos... Vendas DataID (FK) ProdutoID (FK) LojaID (FK) PromoçaoID (FK) NumeroTransaçao QtdeVendida TotalVendas CustoVendas Data DataID (PK) Atributos... Loja LojaID (PK) Atributos... Quais produtos da promoção que não foram vendidos? Tabela de Fatos Sem Fatos 104/188

105 Modelagem Dimensional Esquema estrela da atividade Promoção sem Vendas Produto ProdutoID (PK) Atributos... Promoçao PromoID (PK) Atributos... SemFatos DataID (FK) ProdutoID (FK) LojaID (FK) PromoçaoID (FK) Data DataID (PK) Atributos... Loja LojaID (PK) Atributos... Para determinar quais produtos da promoção não venderam 1. Consulta à tabela SemFatos para determinar quais produtos da promoção em um dado dia 2. Consulta à tabela Vendas para determinar quais produtos foram vendidos no mesmo dia 3. Obter a diferença entre as duas listas de produtos 105/188

106 Dimensão Degenerada Produto ProdutoID (PK) Atributos... Promoçao PromoID (PK) Atributos... Modelagem Dimensional Vendas DataID (FK) ProdutoID (FK) LojaID (FK) PromoçaoID (FK) NumeroTransaçao QtdeVendida TotalVendas CustoVendas Data DataID (PK) Atributos... Loja LojaID (PK) Atributos... É útil para agrupar todos os produtos vendidos em uma única transação É útil para identificar cada tupla da tabela de fatos Chave = NumeroTransaçao + ProdutoID 106/188

107 Modelagem Dimensional Dimensão Degenerada Consiste em uma dimensão vazia Contém apenas uma chave que é incluída na tabela de fatos Números de controle do ambiente operacional são geralmente exemplos deste tipo de dimensão Número de Pedido Número de Fatura Se atributos adicionais forem identificados no futuro E eles forem relacionados com a dimensão degenerada Uma nova dimensão normal pode ser criada e a dimensão degenerada removida 107/188

108 Modelagem Dimensional Modelos Dimensionais Acomodam mudanças mais facilmente Novas dimensões podem ser adicionadas Para cada linha existente na tabela de fatos, um valor único da nova dimensão é atribuído Novas medidas podem ser adicionadas à tabela de fatos Assumindo que nível de detalhes seja consistente Dimensões podem: Receber novos atributos Aumentar o nível de detalhes da hierarquia, quebrando os atributos existentes 108/188

109 Modelagem Dimensional Estendendo o esquema da atividade Vendas Produto ProdutoID (PK) Atributos... Promoçao PromoID (PK) Atributos... Vendas DataID (FK) ProdutoID (FK) LojaID (FK) PromoçaoID (FK) NumeroTransaçao QtdeVendida TotalVendas CustoVendas Data DataID (PK) Atributos... Loja LojaID (PK) Atributos... Como estender este esquema para permitir análises sobre padrões de compra de clientes cadastrados? 109/188

110 Modelagem Dimensional Estendendo o esquema com dados sobre Clientes Criar a dimensão cliente Adicionar uma nova chave estrangeira na tabela de fatos Nem toda compra estará associada a um cliente cadastrado Criar um cliente do tipo não cadastrado na nova dimensão Criar um cliente do tipo anterior ao cadastramento de clientes para associá-los aos fatos já existentes Criar as dimensões Funcionário e Hora do Dia e as respectivas chaves estrangeiras na tabela de fatos Dimensões e fatos existentes permanecem inalterados Esquema original foi modelado no maior nível de detalhe 110/188

111 Esquema estrela estendido Cliente ClienteID (PK) Atributos... Funcionario FuncID (PK) Atributos... HoraDia HoraDiaID (PK) Atributos... Modelagem Dimensional Vendas DataID (FK) ProdutoID (FK) LojaID (FK) PromoçaoID (FK) ClienteID (FK) FuncID (FK) HoraDiaID (FK) NumeroTransaçao QtdeVendida TotalVendas CustoVendas Data DataID (PK) Atributos... Loja LojaID (PK) Atributos... Produto ProdutoID (PK) Atributos... Promoçao PromoçaoID (PK) Atributos /188

112 Modelagem Dimensional Muitas Dimensões Data Semana Mês Trimestre Ano Loja País Estado Municipio Bairro Vendas DataID (FK) ProdutoID (FK) LojaID (FK) PromoçaoID (FK) ClienteID (FK) FuncID (FK) HoraDiaID (FK) NumeroTransaçao QtdeVendida TotalVendas CustoVendas... Produto Marca Subcategoria Categoria Embalagem Promoçao Propaganda TipoCupom TipoDisplay ReduçaoPre 112/188

113 Modelagem Dimensional Muitas Dimensões Um grande número de dimensões no esquema é uma indicação que: Várias dimensões não são completamente independentes Elas devem ser combinadas em uma única dimensão Consiste em um erro de modelagem representar elementos de uma hierarquia como dimensões separadas Dimensões correlacionadas de um esquema com várias dimensões devem ser combinadas 113/188

114 Modelagem Dimensional Mudanças em Dimensões Pensava-se que dimensões eram independentes do tempo Mudanças ocorrem no mundo real Linhas de produto são reestruturadas, causando mudanças em hierarquias de produto Clientes se mudam, causando mudanças em seus formatos de endereços Não dá para registrar todas mudanças como fatos Existem quatro abordagens: Sobrescrita do valor Adição de uma tupla Adição de uma coluna Abordagem híbrida 114/188

115 Modelagem Dimensional Sobrescrita do Valor Chave Produto Descrição Departamento Código Produto BrushKids Higiene Pessoal ABC922-Z Chave Produto Descrição Departamento Código Produto BrushKids Infantil ABC922-Z Não há mudanças em chaves de qualquer tabela É a abordagem mais simples, tendo como vantagens a rapidez e facilidade de implementação Não mantém o histórico dos valores anteriores É adequado para realização de correções em carga de dados 115/188

116 Modelagem Dimensional Adição de uma tupla Chave Produto Descrição Departamento Código Produto BrushKids Higiene Pessoal ABC922-Z BrushKids Infantil ABC922-Z Uma nova tupla na tabela de dimensão é inserida para refletir a mudança no valor do atributo. Tabela de fatos não é modificada Histórico das modificações é mantido Fatos ocorridos antes da mudança estão associados ao valor do atributo anterior Aumenta o tamanho da tabela de dimensões Não permite associações entre o novo valor de atributo e fatos antigos e vice-versa 116/188

117 Modelagem Dimensional Adição de uma coluna Chave Produto Descrição Novo Depto Antigo Depto Codigo BrushKids Infantil Higiene Pessoal ABC922-Z Uma nova coluna na tabela de dimensão é inserida para refletir a mudança no valor do atributo. Fatos antigos e novos podem ser sumarizados em termos dos antigos e novos valores de atributo Difere da abordagem anterior porque tanto valores antigos como novos do atributo podem ser considerados Não é frequentemente usada Não permite análise sobre o impacto das inúmeras mudanças feitas ao valor do atributo 117/188

118 Modelagem Dimensional Abordagem híbrida Chave Descrição Atual Depto Historico Depto Codigo BrushKids Higiene Pessoal Higiene Pessoal ABC922-Z 118/188

119 Modelagem Dimensional Abordagem híbrida Chave Descrição Atual Depto Historico Depto Codigo BrushKids Infantil Higiene Pessoal ABC922-Z BrushKids Infantil Infantil ABC922-Z 119/188

120 Modelagem Dimensional Abordagem híbrida Chave Descrição Atual Depto Historico Depto Codigo BrushKids Educacional Higiene Pessoal ABC922-Z BrushKids Educacional Infantil ABC922-Z BrushKids Educacional Educacional ABC922-Z Permite registrar o histórico das mudanças Permite sumarizar fatos de acordo com qualquer valor do atributo modificado As abordagens vistas anteriormente são apropriadas para slowly changing dimensions apenas! Isto pode ser uma indicação que o levantamento de requisitos não foi bem realizado Existem outras abordagens na literatura de DW 120/188

121 Modelagem Dimensional Mitos da Modelagem Dimensional (Kimball): 1. Modelos dimensionais e DM são para dados sumarizados apenas 2. Modelos dimensionais e DM são soluções departamentais, não organizacionais 3. Modelos dimensionais e DM não são escaláveis 4. Modelos dimensionais e DM são apenas adequados quando existe um padrão de uso previsível 5. Modelos dimensionais e DM não podem ser integrados 121/188

122 Arquitetura de DW (DW bus) Integração de dados é essencial Geração de relatórios consistentes a partir de diferentes DM Aumento de desempenho no desenvolvimento do sistema a partir do uso de componentes reusáveis Tabelas de fatos mantidas em DM separados representam várias atividades de negócio Uso de dimensões compartilhadas permite a integração dos DM Medidas de desempenho de várias atividades de negócio podem ser exibidas em um único relatório Drill Across permite a combinação de resultados de consultas feitas à DM distintos por meio do atributo comum da dimensão compartilhada 122/188

123 Arquitetura de DW (DW bus) Compras Inventário Vendas Data Produto Cliente Funcionario Loja Promoção Fornecedor Consiste em um conjunto de modelos dimensionais que compartilham um conjunto de dimensões padronizadas Possui várias atividades de negócio acopladas 123/188

124 Matriz DW Bus Usada para criar, documentar e divulgar a arquitetura de DW Atividades de Negócio Arquitetura de DW (DW bus) Dimensões Padronizadas Data Produto Loja Promoção Vendedor Fornecedor Vendas X X X X Inventário X X X Entrega X X X Compras X X X X Colunas são dimensões compartilhadas e linhas são DM Possibilita a visualização de quais dimensões merecem atenção especial por participarem de vários DM 124/188

125 Arquitetura de DW (DW bus) Atividades de projeto da arquitetura de DW Listar todas as dimensões usadas pela organização Listar DM de primeiro nível que possuem menos dimensões e muitas delas não são compartilhadas Listar DM consolidados que possuem um número maior de dimensões e muitas são compartilhadas Lucro é um exemplo de DM consolidado o qual pode compartilhar dimensões com outros DM (rendimentos e custos) Mantêm dados de vários DM de primeiro nível, mas podem também conter informações específicas 125/188

126 Dimensões Padronizadas São dimensões idênticas ou uma é um subconjunto de uma outra dimensão mais detalhada Possuem propriedades consistentes que incluem: Arquitetura de DW (DW bus) Chaves de dimensão Definições de atributos (i.e. valores e nomes iguais) Agrupamentos consistentes Mesmos rótulos usados nos relatórios Uma dimensão padronizada pode ser a mesma tabela física do BD Dado o ambiente complexo de DW com muitas plataformas de BD, elas podem ser duplicadas e sincronizadas em cada DM 126/188

127 Arquitetura de DW (DW bus) Dimensões padronizadas possuem: Conteúdo de dados Interpretação de dados Formatos de exibição Dimensões padronizadas: Consistentes São definidas no maior nível de detalhe possível Podem pertencer a esquemas de atividades de negócio definidas em granularidades diferentes Basta que uma dimensão seja um subconjunto da outra Antes de seus esquemas serem comparados, uma delas é sumarizada para o mesmo nível de detalhe da outra 127/188

128 Exemplo: Arquitetura de DW (DW bus) Vendas captura dados no nível de produto atômico Previsão gera dados no nível marca de produto A tabela de dimensão Produto só pode ser compartilhada entre os esquemas destas 2 atividades de negócio se: A tabela Produto do esquema Previsão for um subconjunto da tabela Produto do esquema Vendas! Atributos comuns de ambas tabelas (i.e. marca e categoria) devem ser rotulados, definidos e instanciados identicamente! 128/188

129 Arquitetura de DW (DW bus) Exemplo de dimensões padronizadas ProdutoVendas ProdutoID (PK) Descriçao Numero Marca Subcategoria Categoria Departamento TipoEmbalagem TamanhoEmbalagem Peso Demais Atributos... Padroniza ProdutoPrevisao MarcaID (PK) Marca Subcategoria Categoria Departamento Operações DrillAcross só podem ser realizadas por meio de: atributos comuns das tabelas de dimensões padronizadas tuplas comuns das tabelas para não violar a restrição de integridade referencial 129/188

130 Arquitetura de DW (DW bus) Outro exemplo de dimensões padronizadas ProdutoInventario ProdutoID (PK) Descriçao Numero Marca Subcategoria Categoria Departamento Demais Atributos... QuantidadeMínima Padroniza ProdutoVendas ProdutoID (PK) Descriçao Numero Marca Subcategoria Categoria Departamento Demais Atributos... LojaInventario LojaID (PK) Nome Endereço Cidade Estado Demais Atributos... EspaçoRefrigerado EspaçoCongelado Padroniza LojaVendas LojaID (PK) Nome Endereço Cidade Estado Demais Atributos /188

131 Arquitetura de DW (DW bus) Outro exemplo de dimensões padronizadas ocorre: Elas estão no mesmo nível detalhes Mas uma possui um subconjunto de tuplas da outra DrillAcross Aparelhos da Empresa Dimensões padronizadas podem ser replicadas logicamente ou fisicamente dentro da empresa Elas são construídas apenas uma vez em cada ETL 131/188

132 Arquitetura de DW (DW bus) Uso de dimensões padronizadas requer Coordenação de implementação para que adição ou modificação de atributos seja revista Disciplina na nomeação do dados Estratégia de liberação da dimensão para área de apresentação Dimensões idênticas devem ser replicadas de forma síncrona para todos DM associados Não é sempre o caso que o uso da arquitetura DW bus é aplicável Pode não haver necessidade de relacionar dados de uma atividade de negócio com dados de outra DW separados podem ser construídos 132/188

133 Arquitetura de DW (DW bus) Fatos padronizados Possuem as mesmas definições e equações Lucro, rendimentos, preços, custos, medidas de qualidade e medidas de satisfação do cliente Em geral, a tabela de fatos não é duplicada explicitamente em vários DM Se eles possuem o mesmo identificador então eles necessitam ter sido definidos No mesmo contexto dimensional Com base nas mesmas unidades de medida Se não for possível padronizar os fatos então eles devem ser nomeados diferentemente para que possam ter diferentes interpretações 133/188

134 Processamento OLAP O que é OLAP (On-Line Analytical Processing)? Conjunto de tecnologias projetadas para analisar e acessar dados típicos de suporte a decisão que estão no DW Fornece dados em alto nível (totais,médias,min..) Acessa vários registros Tem alto desempenho e consultas fáceis e interativas Lida com dados históricos (dimensão temporal) Oferece visões multidimensionais (perspectivas) 134/188

135 Processamento OLAP O que é OLAP? (Cont.) Exemplos de consultas típicas de OLAP: Quais os produtos mais bem vendidos no mês passado? Quais os 10 piores vendedores dos departamentos da filial Recife? Qual a média salarial dos funcionários de informática na região sul nos últimos 5 anos? 135/188

136 Cubo Multidimensional Cubo Multidimensional (Abstração do DW) Metáfora de uma abordagem multidimensional para visualização e organização dos dados Várias dimensões podem ser usadas simultaneamente Dados são manipulados mais rapidamente e facilmente (agregação em níveis de hierarquia) categ oria m arca d escrição P ro d u t o T e m p o ano m es dia_do_m es flag _ feriad o Loja tip o en dereço n om e_loja 136/188

137 Cubo Multidimensional Agregação em Níveis de Hierarquias Dimensão Tempo Chave_Tempo Mes Trimestre Ano ^ Tempo ^ 1996 ^ Trim1/96 Janeiro Fevereiro Março Trim2/96 Trim3/96 Trim4/ Produto 137/188

138 Cubo Multidimensional Como representar as dimensões no cubo? Produto Loja Vendas COPO F01 50 COPO F02 60 COPO F BOLA F01 40 BOLA F02 70 BOLA F03 80 JOGO F01 90 JOGO F JOGO F VELA F01 20 VELA F02 10 VELA F03 30 Produto Loja Tempo Vendas COPO F COPO F COPO F BOLA F BOLA F BOLA F JOGO F JOGO F JOGO F VELA F VELA F VELA F COPO F COPO F COPO F BOLA F BOLA F BOLA F JOGO F JOGO F JOGO F VELA F VELA F VELA F COPO BOLA JOGO VELA F01 F02 F03 138/188

139 Cubo Multidimensional Drill Down e Rolll Up (ou Drill Up) Técnica que possibilita caminhar pela estrutura multidimensional (hierarquias), permitindo ver diferentes níveis de dados 1 Total 5 Regiões 50 Estados 500 Cidades Drill/Roll Up Clientes Drill Down 139/188

140 Cubo Multidimensional Drill Down e Roll Up (ou Drill Up) Drill Down Loja Vendas F F F Drill Up Loja Tipo Vendas F01 Luxo 50 Popular 40 Padrão 90 Franquia 20 F02 Luxo 60 Popular 70 Padão 120 Franquia 10 F03 Luxo 100 Popular 80 Padrão 140 Franquia /188

141 Rotação Cubo Multidimensional Técnica que gira o cubo, permitindo ter diferentes visões dos dados x 2 x x 2 x 4 4 x 3 x /188

142 Cubo Multidimensional Slice and Dice Técnica que fatia o cubo, permitindo restringir a análise aos dados, sem inversão de eixos Semelhante a cláusula WHERE de SQL x 2 x 3 4 x 2 x x 2 x 3 142/188

143 Cubo Multidimensional Location Local Atlanta Denver Grapes Uvas Product Produto Detroit Cherries Cerejas Melons Melões Sales Sales Apples Maçãs Pears Pêras Q1 Q2 Q3 Tempo Q4 143/188

Data Warehousing. Histórico. Uma Hierarquia de Necessidades de Informação. Transacional vs. Data Warehousing. OLAP Décadas de 60 e 70

Data Warehousing. Histórico. Uma Hierarquia de Necessidades de Informação. Transacional vs. Data Warehousing. OLAP Décadas de 60 e 70 Warehousing Ana Carolina Salgado Fábio Ávila Carlos Eduardo Pires Sofisticação do Usuário Uma Hierarquia de Necessidades de Informação MD OLAP Consulta ad hoc Relatório Operacional Que outras coisas podiam

Leia mais

Data Warehousing. Leonardo da Silva Leandro. CIn.ufpe.br

Data Warehousing. Leonardo da Silva Leandro. CIn.ufpe.br Data Warehousing Leonardo da Silva Leandro Agenda Conceito Elementos básicos de um DW Arquitetura do DW Top-Down Bottom-Up Distribuído Modelo de Dados Estrela Snowflake Aplicação Conceito Em português:

Leia mais

Sistemas de Apoio à Decisão (SAD) - Senado

Sistemas de Apoio à Decisão (SAD) - Senado Sistemas de Apoio à Decisão (SAD) - Senado DW OLAP BI Ilka Kawashita Material preparado :Prof. Marcio Vitorino Sumário OLAP Data Warehouse (DW/ETL) Modelagem Multidimensional Data Mining BI - Business

Leia mais

Data Warehouses Uma Introdução

Data Warehouses Uma Introdução Data Warehouses Uma Introdução Alex dos Santos Vieira, Renaldy Pereira Sousa, Ronaldo Ribeiro Goldschmidt 1. Motivação e Conceitos Básicos Com o advento da globalização, a competitividade entre as empresas

Leia mais

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3.

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3. Sumário Data Warehouse Modelagem Multidimensional. Data Mining BI - Business Inteligence. 1 2 Introdução Aplicações do negócio: constituem as aplicações que dão suporte ao dia a dia do negócio da empresa,

Leia mais

SUMÁRIO 1. INTRODUÇÃO... 2 2. O QUE É DATA WAREHOUSE?... 2 3. O QUE DATA WAREHOUSE NÃO É... 4 4. IMPORTANTE SABER SOBRE DATA WAREHOUSE... 5 4.

SUMÁRIO 1. INTRODUÇÃO... 2 2. O QUE É DATA WAREHOUSE?... 2 3. O QUE DATA WAREHOUSE NÃO É... 4 4. IMPORTANTE SABER SOBRE DATA WAREHOUSE... 5 4. SUMÁRIO 1. INTRODUÇÃO... 2 2. O QUE É DATA WAREHOUSE?... 2 3. O QUE DATA WAREHOUSE NÃO É... 4 4. IMPORTANTE SABER SOBRE DATA WAREHOUSE... 5 4.1 Armazenamento... 5 4.2 Modelagem... 6 4.3 Metadado... 6 4.4

Leia mais

Modelo de dados do Data Warehouse

Modelo de dados do Data Warehouse Modelo de dados do Data Warehouse Ricardo Andreatto O modelo de dados tem um papel fundamental para o desenvolvimento interativo do data warehouse. Quando os esforços de desenvolvimentos são baseados em

Leia mais

5 Estudo de Caso. 5.1. Material selecionado para o estudo de caso

5 Estudo de Caso. 5.1. Material selecionado para o estudo de caso 5 Estudo de Caso De modo a ilustrar a estruturação e representação de conteúdos educacionais segundo a proposta apresentada nesta tese, neste capítulo apresentamos um estudo de caso que apresenta, para

Leia mais

Data Warehouses. Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos

Data Warehouses. Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos Data Warehouses Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos Conceitos Básicos Data Warehouse(DW) Banco de Dados voltado para

Leia mais

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan Faculdade INED Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan 1 Unidade 4.3 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

Leia mais

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto OLPT x OLAP Roteiro OLTP Datawarehouse OLAP Operações OLAP Exemplo com Mondrian e Jpivot

Leia mais

Modelando um Data Warehouse GRIMALDO OLIVEIRA

Modelando um Data Warehouse GRIMALDO OLIVEIRA Modelando um Data Warehouse GRIMALDO OLIVEIRA Sobre Grimaldo Grimaldo Oliveira grimaldo_lopes@hotmail.com Formação Mestre em Tecnologias Aplicadas a Educação pela Universidade do Estado da Bahia. Especialização

Leia mais

Ana Carolina Salgado Fábio Ávila PROJETO DE DATA WAREHOUSE

Ana Carolina Salgado Fábio Ávila PROJETO DE DATA WAREHOUSE Ana Carolina Salgado Fábio Ávila PROJETO DE DATA WAREHOUSE Local Atlanta Denver Uvas Produto Detroit Cerejas Melões Vendas Sales Maçãs Peras Pêras T1 T2 T3 Tempo T4 2 Local Membro Atlanta Denver Uvas Produto

Leia mais

Arquiteturas de DW e Abordagens de Implementação. Arquiteturas e Abordagens de Implementação

Arquiteturas de DW e Abordagens de Implementação. Arquiteturas e Abordagens de Implementação Curso de Dwing TecBD-DI PUC-Rio Prof. Rubens Melo Arquiteturas de DW e Abordagens de Implementação Arquiteturas e Abordagens de Implementação Arquitetura adequada é fundamental Infra-estrutura disponível

Leia mais

Banco de Dados - Senado

Banco de Dados - Senado Banco de Dados - Senado Exercícios OLAP - CESPE Material preparado: Prof. Marcio Vitorino OLAP Material preparado: Prof. Marcio Vitorino Soluções MOLAP promovem maior independência de fornecedores de SGBDs

Leia mais

Data Warehouse. Djenane Cristina Silveira dos Santos¹, Felipe Gomes do Prado¹, José Justino Neto¹, Márcia Taliene Alves de Paiva¹

Data Warehouse. Djenane Cristina Silveira dos Santos¹, Felipe Gomes do Prado¹, José Justino Neto¹, Márcia Taliene Alves de Paiva¹ Data Warehouse. Djenane Cristina Silveira dos Santos¹, Felipe Gomes do Prado¹, José Justino Neto¹, Márcia Taliene Alves de Paiva¹ ¹Ciência da Computação Universidade Federal de Itajubá (UNIFEI) MG Brasil

Leia mais

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago DATA WAREHOUSE Rafael Ervin Hass Raphael Laércio Zago Roteiro Introdução Aplicações Arquitetura Características Desenvolvimento Estudo de Caso Conclusão Introdução O conceito de "data warehousing" data

Leia mais

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO @ribeirord FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO Rafael D. Ribeiro, M.Sc,PMP. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br Lembrando... Aula 4 1 Lembrando... Aula 4 Sistemas de apoio

Leia mais

Ana Carolina Salgado Fernando Fonseca Fábio Ávila PROJETO DE DATA WAREHOUSE

Ana Carolina Salgado Fernando Fonseca Fábio Ávila PROJETO DE DATA WAREHOUSE Ana Carolina Salgado Fernando Fonseca Fábio Ávila PROJETO DE DATA WAREHOUSE Local Atlanta Denver Uvas Produto Detroit Cerejas Melões Vendas Sales Maçãs Peras Pêras T1 T2 T3 Tempo T4 2 Local Membro Atlanta

Leia mais

DATA WAREHOUSE. Introdução

DATA WAREHOUSE. Introdução DATA WAREHOUSE Introdução O grande crescimento do ambiente de negócios, médias e grandes empresas armazenam também um alto volume de informações, onde que juntamente com a tecnologia da informação, a correta

Leia mais

Prova INSS RJ - 2007 cargo: Fiscal de Rendas

Prova INSS RJ - 2007 cargo: Fiscal de Rendas Prova INSS RJ - 2007 cargo: Fiscal de Rendas Material de Apoio de Informática - Prof(a) Ana Lucia 53. Uma rede de microcomputadores acessa os recursos da Internet e utiliza o endereço IP 138.159.0.0/16,

Leia mais

Complemento I - Noções Introdutórias em Data Warehouses

Complemento I - Noções Introdutórias em Data Warehouses Complemento I - Noções Introdutórias em Data Warehouses Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

KDD E MINERAÇÃO DE DADOS:

KDD E MINERAÇÃO DE DADOS: KDD E MINERAÇÃO DE DADOS: Revisão em Data Warehouses Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt 1 DATA WAREHOUSES UMA VISÃO GERAL

Leia mais

Módulo 2. Definindo Soluções OLAP

Módulo 2. Definindo Soluções OLAP Módulo 2. Definindo Soluções OLAP Objetivos Ao finalizar este módulo o participante: Recordará os conceitos básicos de um sistema OLTP com seus exemplos. Compreenderá as características de um Data Warehouse

Leia mais

Prof. Ronaldo R. Goldschmidt. ronaldo.rgold@gmail.com

Prof. Ronaldo R. Goldschmidt. ronaldo.rgold@gmail.com DATA WAREHOUSES UMA INTRODUÇÃO Prof. Ronaldo R. Goldschmidt ronaldo.rgold@gmail.com 1 DATA WAREHOUSES UMA INTRODUÇÃO Considerações Iniciais Conceitos Básicos Modelagem Multidimensional Projeto de Data

Leia mais

Tópicos Avançados Business Intelligence. Banco de Dados Prof. Otacílio José Pereira. Unidade 10 Tópicos Avançados Business Inteligence.

Tópicos Avançados Business Intelligence. Banco de Dados Prof. Otacílio José Pereira. Unidade 10 Tópicos Avançados Business Inteligence. Tópicos Avançados Business Intelligence Banco de Dados Prof. Otacílio José Pereira Unidade 10 Tópicos Avançados Business Inteligence Roteiro Introdução Níveis organizacionais na empresa Visão Geral das

Leia mais

Data Warehouse. Debora Marrach Renata Miwa Tsuruda

Data Warehouse. Debora Marrach Renata Miwa Tsuruda Debora Marrach Renata Miwa Tsuruda Agenda Introdução Contexto corporativo Agenda Introdução Contexto corporativo Introdução O conceito de Data Warehouse surgiu da necessidade de integrar dados corporativos

Leia mais

Data Warehouse Processos e Arquitetura

Data Warehouse Processos e Arquitetura Data Warehouse - definições: Coleção de dados orientada a assunto, integrada, não volátil e variável em relação ao tempo, que tem por objetivo dar apoio aos processos de tomada de decisão (Inmon, 1997)

Leia mais

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence É um conjunto de conceitos e metodologias que, fazem uso de acontecimentos e sistemas e apoiam a tomada de decisões. Utilização de várias fontes de informação para se definir estratégias de competividade

Leia mais

Business Intelligence e ferramentas de suporte

Business Intelligence e ferramentas de suporte O modelo apresentado na figura procura enfatizar dois aspectos: o primeiro é sobre os aplicativos que cobrem os sistemas que são executados baseados no conhecimento do negócio; sendo assim, o SCM faz o

Leia mais

Processo Decisório, OLAP e Relatórios Corporativos OLAP E RELATÓRIOS CORPORATIVOS

Processo Decisório, OLAP e Relatórios Corporativos OLAP E RELATÓRIOS CORPORATIVOS Processo Decisório, OLAP e Relatórios Corporativos OLAP E RELATÓRIOS CORPORATIVOS Sumário Conceitos/Autores chave... 3 1. Introdução... 5 2. OLAP... 6 3. Operações em OLAP... 8 4. Arquiteturas em OLAP...

Leia mais

Data Warehousing e OLAP

Data Warehousing e OLAP Data Warehousing e OLAP Jornadas de Engenharia Informática Instituto Politécnico da Guarda Henrique Madeira Departamento de Engenharia Informática Faculdade de Ciências e Tecnologia Universidade de Coimbra

Leia mais

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan Faculdade INED Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan 1 Unidade 4.2 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

Leia mais

IMPLANTAÇÃO DO DW NA ANVISA

IMPLANTAÇÃO DO DW NA ANVISA IMPLANTAÇÃO DO DW NA ANVISA Bruno Nascimento de Ávila 1 Rodrigo Vitorino Moravia 2 Maria Renata Furtado 3 Viviane Rodrigues Silva 4 RESUMO A tecnologia de Business Intelligenge (BI) ou Inteligência de

Leia mais

Chapter 3. Análise de Negócios e Visualização de Dados

Chapter 3. Análise de Negócios e Visualização de Dados Chapter 3 Análise de Negócios e Visualização de Dados Objetivos de Aprendizado Descrever a análise de negócios (BA) e sua importância par as organizações Listar e descrever brevemente os principais métodos

Leia mais

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE Fabio Favaretto Professor adjunto - Programa de Pós Graduação em Engenharia de Produção

Leia mais

SAD orientado a DADOS

SAD orientado a DADOS Universidade do Contestado Campus Concórdia Curso de Sistemas de Informação Prof.: Maico Petry SAD orientado a DADOS DISCIPLINA: Sistemas de Apoio a Decisão SAD orientado a dados Utilizam grandes repositórios

Leia mais

BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING

BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING http://www.uniriotec.br/~tanaka/tin0036 tanaka@uniriotec.br Introdução a Data Warehousing e OLAP Introdução a Data Warehouse e Modelagem Dimensional Visão

Leia mais

Data Warehousing Visão Geral do Processo

Data Warehousing Visão Geral do Processo Data Warehousing Visão Geral do Processo Organizações continuamente coletam dados, informações e conhecimento em níveis cada vez maiores,, e os armazenam em sistemas informatizados O número de usuários

Leia mais

Kimball University: As 10 Regras Essenciais para a Modelagem de Dados Dimensional

Kimball University: As 10 Regras Essenciais para a Modelagem de Dados Dimensional Kimball University: As 10 Regras Essenciais para a Modelagem de Dados Dimensional Margy Ross Presidente Kimball Group Maio de 2009, Intelligent Enterprise.com Tradução livre para a língua portuguesa por

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani Data Warehouse - Conceitos Hoje em dia uma organização precisa utilizar toda informação disponível para criar e manter vantagem competitiva. Sai na

Leia mais

Curso Data warehouse e Business Intelligence

Curso Data warehouse e Business Intelligence Curso Data warehouse e Business Intelligence Fundamentos, Metodologia e Arquitetura Apresentação Os projetos de Data Warehouse e Business Intelligence são dos mais interessantes e complexos de desenvolver

Leia mais

Tiago Martins Barbosa tiagomarbar@gmail.com. Tiago Barbosa - COBIT;ITIL; SCWCD;SCJP 1

Tiago Martins Barbosa tiagomarbar@gmail.com. Tiago Barbosa - COBIT;ITIL; SCWCD;SCJP 1 Banco de Dados Tiago Martins Barbosa tiagomarbar@gmail.com Tiago Barbosa - COBIT;ITIL; SCWCD;SCJP 1 Um pouco de história Inicialmente os dados eram guardados em fitas e o acesso era sequencial. Com o surgimento

Leia mais

Uma aplicação de Data Warehouse para apoiar negócios

Uma aplicação de Data Warehouse para apoiar negócios Uma aplicação de Data Warehouse para apoiar negócios André Vinicius Gouvêa Monteiro Marcos Paulo Oliveira Pinto Rosa Maria E. Moreira da Costa Universidade do Estado do Rio de Janeiro - UERJ IME - Dept

Leia mais

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados slide 1 1 Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall Objetivos de estudo Como um banco de dados

Leia mais

Bases de Dados aplicadas a Inteligência de Negócios

Bases de Dados aplicadas a Inteligência de Negócios Agenda Bases de Dados aplicadas a Inteligência de Negócios Professor Sérgio Rodrigues professor@sergiorodrigues.net Sistemas de Gerenciamento de Bancos de Dados (SGBD) Tipos de Banco de Dados Noções de

Leia mais

Arquitetura física de um Data Warehouse

Arquitetura física de um Data Warehouse É um modo de representar a macroestrutura de, comunicação, processamento e existentes para usuários finais dentro da empresa. Operacionais origem Data / Arquitetura física Serviços Armazenamento de Área

Leia mais

Módulo 4. Construindo uma solução OLAP

Módulo 4. Construindo uma solução OLAP Módulo 4. Construindo uma solução OLAP Objetivos Diferenciar as diversas formas de armazenamento Compreender o que é e como definir a porcentagem de agregação Conhecer a possibilidade da utilização de

Leia mais

MSc. Daniele Carvalho Oliveira

MSc. Daniele Carvalho Oliveira MSc. Daniele Carvalho Oliveira AULA 2 Administração de Banco de Dados: MSc. Daniele Oliveira 2 CONCEITOS FUNDAMENTAIS DE BANCO DE DADOS Administração de Banco de Dados: MSc. Daniele Oliveira 3 Conceitos

Leia mais

Gerenciamento de Dados e Gestão do Conhecimento

Gerenciamento de Dados e Gestão do Conhecimento ELC1075 Introdução a Sistemas de Informação Gerenciamento de Dados e Gestão do Conhecimento Raul Ceretta Nunes CSI/UFSM Introdução Gerenciando dados A abordagem de banco de dados Sistemas de gerenciamento

Leia mais

Curso Data warehouse e Business Intelligence Fundamentos, Metodologia e Arquitetura

Curso Data warehouse e Business Intelligence Fundamentos, Metodologia e Arquitetura Curso Data warehouse e Business Intelligence Fundamentos, Metodologia e Arquitetura Apresentação Os projetos de Data Warehouse e Business Intelligence são dos mais interessantes e complexos de desenvolver

Leia mais

Cenário Atual. ... No coração deste ambiente está a idéia do

Cenário Atual. ... No coração deste ambiente está a idéia do Fundamentos DW Cenário Atual Grande e desordenada coleção de aplicações operacionais, frágeis e muitas vezes não integradas... Dificultando a disponibilização de informações estratégicas para tomada de

Leia mais

Tópicos Avançados de Banco de Dados (Business Intelligence)

Tópicos Avançados de Banco de Dados (Business Intelligence) Tópicos Avançados de Banco de Dados (Business Intelligence) http://www.uniriotec.br/~tanaka/sain tanaka@uniriotec.br Modelagem Dimensional Conceitos Básicos Material baseado em originais de Maria Luiza

Leia mais

Data Mining: Conceitos e Técnicas

Data Mining: Conceitos e Técnicas Data Mining: Conceitos e Técnicas DM, DW e OLAP Data Warehousing e OLAP para Data Mining O que é data warehouse? De data warehousing para data mining Data Warehousing e OLAP para Data Mining Data Warehouse:

Leia mais

A MODELAGEM DE DADOS NO AMBIENTE DATA WAREHOUSE

A MODELAGEM DE DADOS NO AMBIENTE DATA WAREHOUSE UNIVERSIDADE PRESBITERIANA MACKENZIE Faculdade de Computação e Informática A MODELAGEM DE DADOS NO AMBIENTE DATA WAREHOUSE Daniele Del Bianco Hokama Denis Camargo Francine Fujita João Luiz Valentim Fogliene

Leia mais

Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence

Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence Juntamente com o desenvolvimento desses aplicativos surgiram os problemas: & Data Warehouse July Any Rizzo Oswaldo Filho Década de 70: alguns produtos de BI Intensa e exaustiva programação Informação em

Leia mais

Thiago Locatelli de OLIVEIRA, Thaynara de Assis Machado de JESUS; Fernando José BRAZ Bolsistas CNPq; Orientador IFC Campus Araquari

Thiago Locatelli de OLIVEIRA, Thaynara de Assis Machado de JESUS; Fernando José BRAZ Bolsistas CNPq; Orientador IFC Campus Araquari DESENVOLVIMENTO DE AMBIENTE PARA A GESTÃO DO CONHECIMENTO RELACIONADO AOS DADOS PRODUZIDOS PELO SISTEMA DE GERENCIAMENTO DE TRANSITO DA CIDADE DE JOINVILLE/SC PARTE I Thiago Locatelli de OLIVEIRA, Thaynara

Leia mais

Modelagem Multidimensional: Esquema Estrela

Modelagem Multidimensional: Esquema Estrela BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING http://www.uniriotec.br/~tanaka/tin0036 tanaka@uniriotec.br Modelagem Dimensional Conceitos Básicos Modelagem Multidimensional: Esquema Estrela Proposto por

Leia mais

Decisão Suporte: Warehousing, OLAP e Data Mining

Decisão Suporte: Warehousing, OLAP e Data Mining Decisão Suporte: Warehousing, OLAP e Data Mining 7-1 Introdução Cada vez mais, organizações estão analizando dados correntes e históricos para identificar padrões úteis e suporte a estratégias de negócios.

Leia mais

Decisão Suporte: Warehousing, OLAP e Data Mining

Decisão Suporte: Warehousing, OLAP e Data Mining Decisão Suporte: Warehousing, OLAP e Data Mining 7-1 Introdução Cada vez mais, organizações estão analizando dados correntes e históricos para identificar padrões úteis e suporte a estratégias de negócios.

Leia mais

Data Warehouse. Compras. Caroline B. Perlin

Data Warehouse. Compras. Caroline B. Perlin Data Warehouse Compras Caroline B. Perlin Agenda O processo de compra Requisitos de compras Transações de compra Tabela de fatos Slowly Changing Dimensions (SCD) Técnicas para lidar com SCD Abordagens

Leia mais

Adriano Maranhão BUSINESS INTELLIGENCE (BI),

Adriano Maranhão BUSINESS INTELLIGENCE (BI), Adriano Maranhão BUSINESS INTELLIGENCE (BI), BUSINESS INTELLIGENCE (BI) O termo Business Intelligence (BI), popularizado por Howard Dresner do Gartner Group, é utilizado para definir sistemas orientados

Leia mais

Solução de Business Intelligence para Seguros

Solução de Business Intelligence para Seguros Solução de Business Intelligence para Seguros António Roberto Taveira de Vasconcelos Pinto de Gouveia Mestrado Integrado em Engenharia de Redes e Sistemas Informáticos Departamento de Ciências de Computadores

Leia mais

Business Intelligence Um enfoque gerencial para a Inteligência do Negócio.Efrain Turban e outros.tradução. Bookman, 2009.

Business Intelligence Um enfoque gerencial para a Inteligência do Negócio.Efrain Turban e outros.tradução. Bookman, 2009. REFERÊNCIAS o o Business Intelligence Um enfoque gerencial para a Inteligência do Negócio.Efrain Turban e outros.tradução. Bookman, 2009. Competição Analítica - Vencendo Através da Nova Ciência Davenport,

Leia mais

Mineração e Armazenamento de Dados

Mineração e Armazenamento de Dados Mineração e Armazenamento de Dados Carlos P. Caldeira Departamento de Informática Universidade de Évora ccaldeira@di.uevora.pt http://www.di.uevora.pt/~ccaldeira Modelo dimensional Modelo dimensional Modelo

Leia mais

e-business A IBM definiu e-business como: GLOSSÁRIO

e-business A IBM definiu e-business como: GLOSSÁRIO Através do estudo dos sistemas do tipo ERP, foi possível verificar a natureza integradora, abrangente e operacional desta modalidade de sistema. Contudo, faz-se necessário compreender que estas soluções

Leia mais

Bloco Administrativo

Bloco Administrativo Bloco Administrativo BI Business Intelligence Objetivo O objetivo deste artigo é dar uma visão geral sobre o Módulo Business Intelligence, que se encontra no Bloco Administrativo. Todas informações aqui

Leia mais

Faculdade Pitágoras PROJETO DE DW FASES FCS-EM PROJETOS DE DW 08/02/2012. Unidade 2.1. Curso Superior de Tecnologia: Banco de Dados

Faculdade Pitágoras PROJETO DE DW FASES FCS-EM PROJETOS DE DW 08/02/2012. Unidade 2.1. Curso Superior de Tecnologia: Banco de Dados Faculdade Pitágoras Curso Superior de Tecnologia: Banco de Dados Disciplina: Ferramentaspara Tomada de Decisão 2 DataWarehouse Unidade 2.1 2.1 Conceitos fundamentais e Cubos Prof.: Fernando Hadad Zaidan

Leia mais

Administração de Sistemas de Informação Gerenciais UNIDADE IV: Fundamentos da Inteligência de Negócios: Gestão da Informação e de Banco de Dados Um banco de dados é um conjunto de arquivos relacionados

Leia mais

Analysis Services. Manual Básico

Analysis Services. Manual Básico Analysis Services Manual Básico Construindo um Banco de Dados OLAP... 2 Criando a origem de dados... 3 Definindo as dimensões... 5 Níveis de dimensão e membros... 8 Construindo o cubo... 11 Tabela de fatos...12

Leia mais

Sistemas de Informação Aplicados a AgroIndústria Utilizando DataWarehouse/DataWebhouse

Sistemas de Informação Aplicados a AgroIndústria Utilizando DataWarehouse/DataWebhouse Sistemas de Informação Aplicados a AgroIndústria Utilizando DataWarehouse/DataWebhouse Prof. Dr. Oscar Dalfovo Universidade Regional de Blumenau - FURB, Blumenau, Brasil dalfovo@furb.br Prof. Dr. Juarez

Leia mais

05/06/2012. Banco de Dados. Gerenciamento de Arquivos. Gerenciamento de Arquivos Sistema Gerenciador de Banco de Dados Modelos de Dados

05/06/2012. Banco de Dados. Gerenciamento de Arquivos. Gerenciamento de Arquivos Sistema Gerenciador de Banco de Dados Modelos de Dados Banco de Dados Gerenciamento de Arquivos Sistema Gerenciador de Banco de Dados Modelos de Dados Gerenciamento de Arquivos Gerenciamento de Arquivos 1 Gerenciamento de Arquivos Em uma indústria são executadas

Leia mais

MODELAGEM DIMENSIONAL

MODELAGEM DIMENSIONAL CENTRO UNIVERSITÁRIO DO TRIÂNGULO INSTITUTO DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE CIÊNCIA DA COMPUTAÇÃO MODELAGEM DIMENSIONAL HELOISA MENDES LOPES Uberlândia, dezembro de 2000 CENTRO UNIVERSITÁRIO

Leia mais

OLAP: Características, Arquitetura e Ferramentas

OLAP: Características, Arquitetura e Ferramentas INSTITUTO VIANNA JÚNIOR FACULDADES INTEGRADAS VIANNA JÚNIOR OLAP: Características, Arquitetura e Ferramentas Erika Maria Teixeira Araújo 1 Mônica de Lourdes Souza Batista 2 Teresinha Moreira de Magalhães

Leia mais

Interatividade aliada a Análise de Negócios

Interatividade aliada a Análise de Negócios Interatividade aliada a Análise de Negócios Na era digital, a quase totalidade das organizações necessita da análise de seus negócios de forma ágil e segura - relatórios interativos, análise de gráficos,

Leia mais

Conversão de Base de Dados Relacional para Dimensional para Business Intelligence Utilizando Banco de Dados Mysql

Conversão de Base de Dados Relacional para Dimensional para Business Intelligence Utilizando Banco de Dados Mysql Conversão de Base de Dados Relacional para Dimensional para Business Intelligence Utilizando Banco de Dados Mysql Carlos H. Cardoso 1, Roberto D Nebo 1, Luis A. da Silva 1 1 Curso de Tecnologia em Banco

Leia mais

Fundamentos da Análise Multidimensional

Fundamentos da Análise Multidimensional Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Fundamentos da Análise Multidimensional Fundamentos da Análise Multidimensional

Leia mais

DESENVOLVIMENTO DE PLUG-INS KETTLE PARA GERAÇÃO DE MONDRIAN SCHEMA A PARTIR DE BASES RELACIONAIS, UTILIZANDO A METODOLOGIA AGILE ROLAP.

DESENVOLVIMENTO DE PLUG-INS KETTLE PARA GERAÇÃO DE MONDRIAN SCHEMA A PARTIR DE BASES RELACIONAIS, UTILIZANDO A METODOLOGIA AGILE ROLAP. DESENVOLVIMENTO DE PLUG-INS KETTLE PARA GERAÇÃO DE MONDRIAN SCHEMA A PARTIR DE BASES RELACIONAIS, UTILIZANDO A METODOLOGIA AGILE ROLAP. Eduardo Cristovo de Freitas Aguiar (PIBIC/CNPq), André Luís Andrade

Leia mais

DESMISTIFICANDO O CONCEITO DE ETL

DESMISTIFICANDO O CONCEITO DE ETL DESMISTIFICANDO O CONCEITO DE ETL Fábio Silva Gomes da Gama e Abreu- FSMA Resumo Este artigo aborda os conceitos de ETL (Extract, Transform and Load ou Extração, Transformação e Carga) com o objetivo de

Leia mais

Faculdade Pitágoras Curso Superior de Tecnologia: Banco de Dados

Faculdade Pitágoras Curso Superior de Tecnologia: Banco de Dados Faculdade Pitágoras Curso Superior de Tecnologia: Banco de Dados Disciplina: Ferramentaspara Tomadade Decisão Prof.: Fernando Hadad Zaidan Unidade 1.2 1 Conceitos Iniciais Tomada de Decisão, Modelagem

Leia mais

UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO

UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO IMPLEMENTAÇÃO DE UM DATA MART PARA ÁREA COMERCIAL DA HAVAN LOJAS DE DEPARTAMENTOS Área de

Leia mais

Capítulo 2 Data Warehousing

Capítulo 2 Data Warehousing Capítulo 2 Data Warehousing Objetivos de Aprendizado Compreender as definições e os conceitos básicos dos data warehouses Compreender as arquiteturas de data warehousing Descrever os processos usados no

Leia mais

ANÁLISE COMPARATIVA DE ARQUITETURAS

ANÁLISE COMPARATIVA DE ARQUITETURAS Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática ANÁLISE COMPARATIVA DE ARQUITETURAS DE DISTRIBUIÇÃO DE DATA WAREHOUSE TRABALHO DE GRADUAÇÃO Aluno: Álvaro Alencar

Leia mais

Pesquisa de Data Warehouse Fundamentos ver 1.0. André Luiz Cabral Dutra 22 de janeiro de 2006 www.andrecabral.eti.br

Pesquisa de Data Warehouse Fundamentos ver 1.0. André Luiz Cabral Dutra 22 de janeiro de 2006 www.andrecabral.eti.br Pesquisa de Data Warehouse Fundamentos ver 1.0 André Luiz Cabral Dutra 22 de janeiro de 2006 www.andrecabral.eti.br Índice 1. O QUE É UM DATA WAREHOUSE? 3 1.1 OPERAÇÃO 3 1.1.1 CARACTERÍSTICAS 4 1.2 INTEGRIDADE

Leia mais

UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado)

UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado) UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado) SISTEMA INTERNO INTEGRADO PARA CONTROLE DE TAREFAS INTERNAS DE UMA EMPRESA DE DESENVOLVIMENTO

Leia mais

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse Definição escopo do projeto (departamental, empresarial) Grau de redundância dos dados(ods, data staging) Tipo de usuário alvo (executivos, unidades) Definição do ambiente (relatórios e consultas préestruturadas

Leia mais

ADMINISTRAÇÃO DOS RECURSOS DE DADOS

ADMINISTRAÇÃO DOS RECURSOS DE DADOS 7 ADMINISTRAÇÃO DOS RECURSOS DE DADOS OBJETIVOS Por que as empresas sentem dificuldades para descobrir que tipo de informação precisam ter em seus sistemas de informação ão? Como um sistema de gerenciamento

Leia mais

Profº Aldo Rocha. Banco de Dados

Profº Aldo Rocha. Banco de Dados Profº Aldo Rocha Banco de Dados AULA 02 SBD Turma: ASN102 BELÉM, 12 DE AGOSTO DE 2011 Aula Passada Na aula passada nós trabalhamos a introdução a Banco de dados e a AGENDA FOI: Níveis de abstração; Dado,

Leia mais

4 Aplicação da Sistemática

4 Aplicação da Sistemática 4 Aplicação da Sistemática Este capítulo descreve a aplicação da sistemática definida no Capítulo 3 utilizando dados reais de uma estatística pública e aplicando tecnologias avançadas fazendo o uso de

Leia mais

ACOMPANHAMENTO TESTE 6. Fonte: Carlos Barbieri. Fonte: Carlos Barbieri

ACOMPANHAMENTO TESTE 6. Fonte: Carlos Barbieri. Fonte: Carlos Barbieri PÓS-GRADUAÇÃO LATO SENSU Curso: Banco de Dados Disciplina: Data Warehouse e Business Intelligence Professor: Fernando Zaidan Unidade 2.1 - Cubos 2012 ACOMPANHAMENTO IMPLEMENTAÇÃO 8 7 9 TESTE 6 CONSTRUÇÃO

Leia mais

Compartilhe. Desmistificando o BI Conceitos, estruturas e principais ferramentas

Compartilhe. Desmistificando o BI Conceitos, estruturas e principais ferramentas Desmistificando o BI Conceitos, estruturas e principais ferramentas INTRODUÇÃO Compartilhe Este e-book tem a intenção de trazer algumas informações básicas sobre BI, características de tipos de arquitetura,

Leia mais

- A crescente necessidade de sistemas inteligentes e de aquisição de conhecimento levaram à necessidade de implementação de Data Warehouses.

- A crescente necessidade de sistemas inteligentes e de aquisição de conhecimento levaram à necessidade de implementação de Data Warehouses. - A crescente necessidade de sistemas inteligentes e de aquisição de conhecimento levaram à necessidade de implementação de. - O que é uma Data Warehouse? - Colecção de bases de dados orientadas por assunto

Leia mais

Informações importantes em uma organização, armazenadas em grandes bancos

Informações importantes em uma organização, armazenadas em grandes bancos DATA WAREHOUSE INTRODUÇÃO Informações importantes em uma organização, armazenadas em grandes bancos de dados, geralmente heterogêneas e distribuídas, são pouco aproveitadas para dar suporte à decisão.

Leia mais

Sobre o que falaremos nesta aula?

Sobre o que falaremos nesta aula? Business Intelligence - BI Inteligência de Negócios Prof. Ricardo José Pfitscher Elaborado com base no material de: José Luiz Mendes Gerson Volney Lagmman Introdução Sobre o que falaremos nesta aula? Ferramentas

Leia mais

Data Warehouse Mineração de Dados

Data Warehouse Mineração de Dados Data Warehouse Mineração de Dados Profa. Roberta Macêdo M. Gouveia robertammg@gmail.com 1 18/12/2014 Data Warehouse Data Mining Big Data A mina de ouro debaixo dos bits 2 Data Warehouse: A Memória da Empresa

Leia mais

Modelação Multidimensional

Modelação Multidimensional Modelação Multidimensional Exemplo: Distribuição Retalhista Sumário O Processo de análise Apresentação do caso Análise do caso Atributos das tabelas de dimensões Estender o modelo Notas sobre as dimensões

Leia mais

Sistemas de Informação James A. O Brien Editora Saraiva Capítulo 5

Sistemas de Informação James A. O Brien Editora Saraiva Capítulo 5 Para entender bancos de dados, é útil ter em mente que os elementos de dados que os compõem são divididos em níveis hierárquicos. Esses elementos de dados lógicos constituem os conceitos de dados básicos

Leia mais

Data Warehouse Granularidade. rogerioaraujo.wordpress.com twitter: @rgildoaraujo - rgildoaraujo@gmail.com 1

Data Warehouse Granularidade. rogerioaraujo.wordpress.com twitter: @rgildoaraujo - rgildoaraujo@gmail.com 1 Data Warehouse Granularidade rogerioaraujo.wordpress.com twitter: @rgildoaraujo - rgildoaraujo@gmail.com 1 Granularidade A granularidade de dados refere-se ao nível de sumarização dos elementos e de detalhe

Leia mais

Data Warehouse: uma classificação de seus Custos e Benefícios

Data Warehouse: uma classificação de seus Custos e Benefícios Data Warehouse: uma classificação de seus Custos e Benefícios Marcos Paulo Kohler Caldas (CEFET-ES/CEFET-PR) marcospaulo@cefetes.br Prof. Dr. Luciano Scandelari (CEFET-PR) luciano@cefetpr.br Prof. Dr.

Leia mais